論文の概要: STRAPSim: A Portfolio Similarity Metric for ETF Alignment and Portfolio Trades

• arxiv url: http://arxiv.org/abs/2509.24151v1
• Date: Mon, 29 Sep 2025 00:57:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.666607
• Title: STRAPSim: A Portfolio Similarity Metric for ETF Alignment and Portfolio Trades
• Title（参考訳）: STRAPSim:ETFアライメントとポートフォリオ取引のためのポートフォリオ類似性指標
• Authors: Mingshu Li, Dhruv Desai, Jerinsh Jeyapaulraj, Philip Sommer, Riya Jain, Peter Chu, Dhagash Mehta,
• Abstract要約: STRAPSimは、セマンティックな類似性に基づいて構成成分をマッチングすることでポートフォリオの類似性を計算する新しい方法である。 私たちは、Jaccard、重み付きJaccard、およびBERTScoreにインスパイアされたパブリックな分類、回帰、レコメンデーションタスクに対するアプローチをベンチマークします。 実験結果から,提案手法は予測精度とランキングアライメントにおいて,ベースラインを一貫して上回ることがわかった。
• 参考スコア（独自算出の注目度）: 0.5847369405576658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately measuring portfolio similarity is critical for a wide range of financial applications, including Exchange-traded Fund (ETF) recommendation, portfolio trading, and risk alignment. Existing similarity measures often rely on exact asset overlap or static distance metrics, which fail to capture similarities among the constituents (e.g., securities within the portfolio) as well as nuanced relationships between partially overlapping portfolios with heterogeneous weights. We introduce STRAPSim (Semantic, Two-level, Residual-Aware Portfolio Similarity), a novel method that computes portfolio similarity by matching constituents based on semantic similarity, weighting them according to their portfolio share, and aggregating results via residual-aware greedy alignment. We benchmark our approach against Jaccard, weighted Jaccard, as well as BERTScore-inspired variants across public classification, regression, and recommendation tasks, as well as on corporate bond ETF datasets. Empirical results show that our method consistently outperforms baselines in predictive accuracy and ranking alignment, achieving the highest Spearman correlation with return-based similarity. By leveraging constituent-aware matching and dynamic reweighting, portfolio similarity offers a scalable, interpretable framework for comparing structured asset baskets, demonstrating its utility in ETF benchmarking, portfolio construction, and systematic execution.
• Abstract（参考訳）: ポートフォリオの正確な類似性の測定は、ETF(Exchange-traded Fund)レコメンデーション、ポートフォリオトレーディング、リスクアライメントなど、幅広い金融アプリケーションにとって重要である。 既存の類似度尺度は、しばしば正確な資産重なり合いや静的距離のメトリクスに依存するが、これは構成員(例えば、ポートフォリオ内の証券)間の類似性や、部分的に重なり合うポートフォリオ間の不均一な関係を捉えるのに失敗する。 STRAPSim (Semantic, Two-level, Residual-Aware Portfolio similarity) は, セマンティックな類似性に基づいて構成成分をマッチングし, ポートフォリオの共有度に応じて重み付けし, 残余認識のグレディアライメントによって結果を集約する新しい手法である。 私たちは、Jaccard、重み付きJaccard、およびBERTScoreにインスパイアされたパブリックな分類、レグレッション、レコメンデーションタスク、および企業債ETFデータセットに対するアプローチをベンチマークします。 実験の結果,提案手法は予測精度とランキングアライメントの基準線を常に上回り,最も高いスピアマン相関とリターンベース類似性を達成していることがわかった。 構成対応のマッチングと動的再重み付けを活用することで、ポートフォリオの類似性は、構造化されたアセットバスケットの比較のためのスケーラブルで解釈可能なフレームワークを提供し、ETFベンチマーク、ポートフォリオ構築、システマティック実行においてその有用性を実証する。

関連論文リスト

• From Headlines to Holdings: Deep Learning for Smarter Portfolio Decisions [4.288926547930663]
  ディープラーニングを用いてポートフォリオの重みを学習するエンドツーエンドフレームワークを提案する。 我々は、セクターの多様性とニュース報道のバランスをとるために選ばれた6つのセクターにまたがる9つの米国株の枠組みを評価する。 株式の世界は限られているが、結果はポートフォリオ管理のための価格、リレーショナル、感情信号の統合の価値を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-09-29T00:42:24Z)
• TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
  自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。 スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。 我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
  論文  参考訳（メタデータ） (2025-09-25T13:04:29Z)
• RouteMark: A Fingerprint for Intellectual Property Attribution in Routing-based Model Merging [69.2230254959204]
  我々は,統合されたMoEモデルにおけるIP保護のためのフレームワークであるRouteMarkを提案する。 我々の重要な洞察は、タスク固有の専門家は、探索入力の下で安定かつ独特なルーティング行動を示すことである。 属性と改ざん検出のために,類似性に基づくマッチングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-08-03T14:51:58Z)
• NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
  本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。 提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。 実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-06-11T06:59:17Z)
• Benchmarking Post-Training Quantization in LLMs: Comprehensive Taxonomy, Unified Evaluation, and Comparative Analysis [89.60263788590893]
  後学習量子化(PTQ)技術は大規模言語モデル(LLM)圧縮に広く採用されている。 既存のアルゴリズムは主にパフォーマンスに重点を置いており、モデルサイズ、パフォーマンス、量子化ビット幅間のトレードオフを見越している。 本稿では LLM PTQ のための新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-18T07:35:35Z)
• Supervised Similarity for High-Yield Corporate Bonds with Quantum Cognition Machine Learning [0.8706730566331037]
  企業債券市場における距離メトリック学習への量子認知機械学習(QCML)の適用について検討する。 QCMLは、高利回り(HY)市場では古典的ツリーベースモデルよりも優れており、投資適格(IG)市場では同等またはより良いパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-02-03T16:28:44Z)
• Optimizing Portfolio Performance through Clustering and Sharpe Ratio-Based Optimization: A Comparative Backtesting Approach [0.0]
  本稿では,クラスタリングに基づくポートフォリオセグメンテーションとシャープ比に基づく最適化を組み合わせることで,投資意思決定を向上させるためのバックテスト手法を提案する。 我々は、K-Meansクラスタリングを用いた過去のログリターンに基づいて、さまざまな金融資産をクラスタに分割する。 各クラスタに対して、リスク調整されたリターンを最大化する最適な重み付けを導出するためにシャープ比に基づく最適化モデルを適用する。
  論文  参考訳（メタデータ） (2025-01-21T12:00:52Z)
• Interpretable Company Similarity with Sparse Autoencoders [0.0]
  スパースオートエンコーダ(SAE)は、大規模言語モデル(LLM)の解釈可能性を高めることを約束している。 SAEの機能をSICコード、産業コード、埋め込みに対してベンチマークします。 以上の結果から,SAEはセクターの分類や組込みを超越し,企業特性を把握できた。
  論文  参考訳（メタデータ） (2024-12-03T17:34:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。